SLNR预编码：广义瑞丽熵与广义特征向量

前言

这两天在调研MIMO预编码算法文献的时候，恰巧看到了一篇这篇paper：
A Leakage-Based Precoding Scheme for Downlink Multi-User MIMO Channels
解开了我之前对广义瑞丽熵最优解的证明疑惑。 便写这篇博客来记录一下。

问题

传统的多用户MIMO预编码，往往以速率， 也即SINR的函数为目标，SINR可写为：
$${\mathrm{SINR}}_i=\frac{{\Vert {\mathbf{H}}_i{\mathbf{w}}_i\Vert }^2}{M_i{\sigma }_i^2+{\sum }_{k=1,k\ne i}^K{\Vert {\mathbf{H}}_i{\mathbf{w}}_k\Vert }^2}$$
此时我们发现， 分子中包含第$i$个用户的预编码$w_i$，而分母包含了其余$K-1$个用户的预编码，属于待优化的多变量的高度耦合，也因此加大了设计难度。
在本文中，作者则考虑了如下指标， SLNR， L则是Leakage的意思， 如下：
$${\mathrm{S}\mathrm{L}\mathrm{N}\mathrm{R}}_i=\frac{{\Vert {\mathbf{H}}_i{\mathbf{w}}_i\Vert }^2}{M_i{\sigma }_i^2+{\sum }_{k=1,k\ne i}^K{\Vert {\mathbf{H}}_k{\mathbf{w}}_i\Vert }^2}$$
分子，视为期望的信号能量， 而分母，则是第$i$个用户泄露到其他用户处的能量。通过最大化SLNR，无疑就是在尽可能增大信号能量的情况下减小对其他用户的干扰。而相比于SINR， 其优势也显而易见：SLNR中只涉及第$i$个用户自己的预编码矩阵，而不再有多变量的耦合问题。

不妨设$\Vert w_i\Vert =1$， SLNR可以化为：
$${\mathrm{S}\mathrm{L}\mathrm{N}\mathrm{R}}_i=\frac{{\mathbf{w}}_i^H{\mathbf{H}}_i^H{\mathbf{H}}_i{\mathbf{w}}_i}{M_i{\sigma }_i^2+{\sum }_{k=1,k\ne i}^K{\Vert {\mathbf{H}}_k{\mathbf{w}}_i\Vert }^2}=\frac{{\mathbf{w}}_i^H{\mathbf{H}}_i^H{\mathbf{H}}_i{\mathbf{w}}_i}{{\mathbf{w}}_i^H(M_i{\sigma }_i^2\mathbf{I}+{\tilde{\mathbf{H}}}_i^H{\tilde{\mathbf{H}}}_i){\mathbf{w}}_i}，\text{\hspace{1em}(1)}$$
其中，
$${\tilde{\mathbf{H}}}_i={\left[{\mathbf{H}}_1\cdots {\mathbf{H}}_{i-1}{\mathbf{H}}_{i+1}\cdots {\mathbf{H}}_K\right]}^T$$
代表除去了${\mathbf{H}}_i$之后的联合信道矩阵。由(1)可知， SLNR实质就是广义瑞丽熵的形式，因此${\mathbf{w}}_i$为最大广义特征向量时取到最大值。

矩阵形式

一直困扰我的问题是广义瑞丽熵的矩阵形式。如下，当我们将每个用户拓展为多流场景后，SLNR变为：
$$\begin{array}{rl}{\mathbf{S}\mathbf{L}\mathbf{N}\mathbf{R}}_i& =\frac{{\Vert {\mathbf{H}}_i{\mathbf{W}}_i\Vert }_F^2}{M_i{\sigma }_i^2+\mathrm{Tr}\left({\mathbf{W}}_i^H{\tilde{\mathbf{H}}}_i^H{\tilde{\mathbf{H}}}_i{\mathbf{W}}_i\right)}\\ & =\frac{\mathrm{Tr}\left({\mathbf{W}}_i^H{\mathbf{H}}_i^H{\mathbf{H}}_i{\mathbf{W}}_i\right)}{\mathrm{Tr}[\left({\mathbf{W}}_i^H\left(M_i{\sigma }_i^2\mathbf{I}+{\tilde{\mathbf{H}}}_i^H{\tilde{\mathbf{H}}}_i\right){\mathbf{W}}_i\right]}\end{array}$$
这里假定了有$\mathrm{Tr}\left({\mathbf{W}}_i^H{\mathbf{W}}_i\right)=1$。 如何求解最优的${\mathbf{W}}_i$呢？

广义特征向量

我们首先有广义特征向量的定义如下：
若有：
$$Av=\lambda Bv$$
则$v$称为矩阵束 $(\mathbf{A},\mathbf{B})$的广义特征向量，$\lambda$为对应的广义特征值。 若$B$可逆，可知有 $B^{-1}Av=\lambda v$，即$v$同时也是$B^{-1}A$的特征向量。 而当$A,B$为共轭对称时，则更有如下结论：
不同广义特征值对应的广义特征向量关于A,B均正交。 即：
$$v_i^{H}B{v}_j=v_i^{H}A{v}_j=0,\forall i\ne j$$

这个结论有两种证明方法：

证1

设$A{v}_1={\lambda }_{1}B{v}_1,A{v}_2={\lambda }_{2}B{v}_2$。 有：
$${\lambda }_1{v}_2^{H}B{v}_1=v_2^{H}A{v}_1=v_2^H{A}^H{v}_1={\left(v_1^{H}A{v}_2\right)}^H={\left({\lambda }_2{v}_1^{H}B{v}_2\right)}^H={\lambda }_2{v}_2^H{B}^H{v}_1={\lambda }_2{v}_2^{H}B{v}_1$$
这里利用了当$A,B$为共轭对称时，广义特征值必定为实数的性质，这是因为有：
$$v^{H}Av=\lambda v^{H}Bv$$

而由于${\lambda }_1\ne {\lambda }_2$，因此$v_2^{H}B{v}_1=0$， 那么显然$v_2^{H}A{v}_1=0$。

证2

另一种是对B的常见处理套路， 由于B共轭对称，因此有$B=L{L}^H$为其 Cholesky分解。
因此，我们有：
$$Av=\lambda L{L}^{H}v\Rightarrow L^{-1}A{L}^{-H}y=y$$
其中$y=L^{H}v$， 为矩阵$L^{-1}A{L}^{-H}$的特征向量。因此， $y_1=L^H{v}_1$和$y_2=L^H{v}_2$为两个不同的特征向量，有：
$$y_1^H{y}_2=0\Rightarrow v_1^{H}L{L}^H{v}_2=0\to v_1^{H}B{v}_2=0$$
得证。

广义瑞丽熵

至此，我们可知， 令$T$为广义特征向量组成的矩阵（广义特征空间）， 我们比能找到有：
$$\begin{array}{rl}{\mathbf{T}}_i^H{\mathbf{H}}_i^H{\mathbf{H}}_i{\mathbf{T}}_i& ={\mathbf{\Lambda }}_i\\ {\mathbf{T}}_i^H\left(M_i{\sigma }_i^2\mathbf{I}+{\tilde{\mathbf{H}}}_i^H{\tilde{\mathbf{H}}}_i\right){\mathbf{T}}_i& =\mathbf{I}\end{array}$$
这是根据刚刚所述的，当A, B均为共轭对称矩阵时的正交特性。因此两者必定都能得到对角阵，我们可以对$T$的每一列予以scale，使第二个式子成立。 ${\Lambda }_i$则是普通的对角阵。 由于$T$满秩，我们可以有${\mathbf{W}}_i={\mathbf{T}}_i{\mathbf{X}}_i$， 从而将对$W$的设计变为对$X$的设计。此时，SLNR可以化为：
$$SLNR=\frac{\mathrm{Tr}\left({\mathbf{X}}_i^H{\mathbf{\Lambda }}_i{\mathbf{X}}_i\right)}{\mathrm{Tr}\left[{\mathbf{X}}_i^H{\mathbf{X}}_i\right]}$$
对于该式，我们令$X$的奇异值分解为：
$${\mathbf{X}}_i={\mathbf{U}}_i\left[\begin{array}{c}{\mathbf{\Sigma }}_i\\ 0\end{array}\right]{\mathbf{V}}_i^H$$
代入，可得：
$$\frac{\mathrm{Tr}\left({\mathbf{X}}_i^H{\mathbf{\Lambda }}_i{\mathbf{X}}_i\right)}{\mathrm{Tr}\left[{\mathbf{X}}_i^H{\mathbf{X}}_i\right]}=\frac{\mathrm{Tr}\left(\left[\begin{array}{cc}{\mathbf{\Sigma }}_i& 0\end{array}\right]{\mathbf{U}}_i^H{\mathbf{\Lambda }}_i{\mathbf{U}}_i\left[\begin{array}{c}{\mathbf{\Sigma }}_i\\ 0\end{array}\right]\right)}{{\sum }_{i=1}^m{\kappa }_i^2}=\frac{{\sum }_{i=1}^m{\kappa }_i^2\left({\sum }_{j=1}^N{\lambda }_j{\left|u_{ji}\right|}^2\right)}{{\sum }_{i=1}^m{\kappa }_i^2}$$
${\kappa }_i$为${\Sigma }_i$的对角元素，${\lambda }_j$为${\Lambda }_i$的对角元素， 我们可以不妨设为降序排列，这显然可以通过调整$T$矩阵得到。由$\mathbf{U}$矩阵的酉性，我们有：
$$0\le {\left|u_{ji}\right|}^2\le 1\text{ and }\sum _{j=1}^N{\left|u_{ji}\right|}^2=1$$
因此， 要想令分子最大化， 必须有$$u_{jj}=1\text{ and }{u}_{ji}=0\text{ for }j\ne i\text{ and }j=1,\dots ,m$$
故而，$X$是一个对角阵！
而$W=TX$,因此，$W$就是广义特征向量的线性组合。